Τεχνητή Νοημοσύνη: Quo vadis ?

Από τη στιγμή που η Τεχνητή Νοημοσύνη μπήκε ορμητικά στη ζωή μας, δηλαδή από τότε που τα λεγόμενα Μεγάλα Γλωσσικά Μοντέλα έγιναν προσβάσιμα σε όλους το 2022, ο καταιγισμός με νέα, προβλέψεις, κρίσεις και εκτιμήσεις για το μέλλον και τον αντίκτυπό της στις ζωές μας είναι συνεχής. Δύσκολα μπορούμε να εντοπίσουμε ιστορικά αντίστοιχη περίπτωση που η εισαγωγή μιας νέας τεχνολογίας να γίνεται αντικείμενο χρήσης σε πλανητικό επίπεδο με τέτοια ευρύτητα και ταχύτητα, και ταυτόχρονα να αναμένεται να προκαλέσει μεγάλες ανατροπές στην εργασία, την εκπαίδευση κ.α. Αποτελεί το πλέον πρόσφατο παράδειγμα αυτού που ονομάζεται «διαταρακτική» (disruptive) τεχνολογία, μια τεχνολογία που η εφαρμογή της αλλάζει, συνήθως απότομα, πλευρές του τρόπου ζωής μας. Σε αυτό το τοπίο, ετήσιες ανασκοπήσεις όπως η Artificial Intelligence Index Report¹ δίνουν μια συνολική και συνοπτική εικόνα του πεδίου. Μας πληροφορούν για διάφορες τάσεις και πιθανά μελλοντικά σενάρια, αν και σε έναν κλάδο όπως η Τεχνητή Νοημοσύνη που στηρίζεται σε Μεγάλα Γλωσσικά Μοντέλα προβλέψεις σπάνια έχουν εμβέλεια πέραν του έτους. Φυσικά, τέτοιου είδους ανασκοπήσεις δεν ασχολούνται με τα καίρια και θεμελιακά ερωτήματα που αφορούν το πώς κρίνουμε και το πώς, ως κοινωνίες, καλούμαστε να τοποθετηθούμε ως προς την χρήση και το μέλλον της Τεχνητής Νοημοσύνης.

Ας δούμε, λοιπόν, κάποιες σημαντικές τάσεις που σταχυολογήσαμε από την ανασκόπηση αυτή και αφορούν την έρευνα και την ανάπτυξη του κλάδου. Το χορό σέρνουν όλο και περισσότερο οι τεχνολογικοί κολοσσοί, αφού το 90% των νέων μοντέλων Τεχνητής Νοημοσύνης αναπτύχθηκαν από αυτούς. Το 2023 το ποσοστό ήταν 60%. Η Κίνα υπερέχει στον αριθμό σχετικών δημοσιεύσεων, όμως στην εισαγωγή νέων αξιοσημείωτων μοντέλων το προβάδισμα των ΗΠΑ είναι ακόμη αδιαμφισβήτητο, μια που 40 μοντέλα ήρθαν από τις ΗΠΑ, έναντι 15 μοντέλων από την Κίνα και 3 από την Γαλλία (τα μόνα από Ευρώπη). Έχουν γραφτεί πολλά άρθρα σχετικά με το πόσο ενεργοβόρα είναι η Τεχνητή Νοημοσύνη, πράγμα που σχετίζεται με τον αριθμό των χρηστών, αλλά κυριότερα με το μέγεθος των δεδομένων και τη δύναμη των υπολογιστικών πόρων που χρειάζεται για να εκπαιδευθεί κάθε μοντέλο. Τα νούμερα που αναφέρονται στην ανασκόπηση είναι αποκαλυπτικά: οι υπολογιστικοί πόροι, τα δεδομένα και η ενέργεια που χρειάζεται διπλασιάζονται κάθε πέντε, οκτώ και δώδεκα μήνες αντίστοιχα. Η εισαγωγή μάλιστα μοντέλων που συνεχίζουν να εκπαιδεύονται ενώ χρησιμοποιούνται, δηλαδή «μαθαίνουν» από τις απαντήσεις που δίνουν στους χρήστες και τη σχετική ανατροφοδότηση από τους χρήστες, αναμένεται να αυξήσει τις απαιτήσεις ακόμη περισσότερο. Από την άλλη, αυτή τη ζοφερή εικόνα όσον αφορά την κατανάλωση ενέργειας έρχεται να τη «συμμαζέψει» κάπως η εκτίμηση ότι το κόστος του υλικού (hardware) μειώνεται κατά 30% ετησίως, η ενεργειακή αποδοτικότητα αυξάνεται κατά 40% και το κόστος χρήσης, δηλαδή πόσα χρήματα χρειάζονται για να δοθεί μία απάντηση σε ερώτημα προς τα μοντέλα, καταβαραθρώνεται, μειούμενο από 9 ως 900 φορές ετησίως. Παρά ταύτα, είναι προφανές ότι σύντομα θα υπάρξει αδιέξοδο, αν δεν γίνει κάποια δομική αλλαγή στον τρόπο ανάπτυξης της Τεχνητής Νοημοσύνης. Και δεν θεωρούμε βέβαια λύση του αδιεξόδου την πανηγυρική επαναφορά της πυρηνικής ενέργειας…

Πριν από λίγους μήνες όλη η υφήλιος έστρεψε το βλέμμα της σε ένα νέο μοντέλο που τάραξε τα νερά. Το DeepSeek από την Κίνα, με πολύ μικρότερες απαιτήσεις εκπαίδευσης, άρα οικονομικότερο σε πόρους και απαιτήσεις χρήσης, και με προχωρημένους αλγορίθμους εκμάθησης, έδειξε εντυπωσιακά τις ικανότητες της χώρας αυτής να ανταγωνιστεί με ίσους όρους τους κολοσσούς. Η βασική τάση που υπάρχει, πέρα από τη στιγμιαία έκρηξη ενδιαφέροντος και μια χρηματιστηριακή διόρθωση, είναι ότι όλοι οι μεγάλοι του πεδίου έχουν εστιάσει στην ανάπτυξη πιο μικρών, αλλά αρκετά ισχυρών μοντέλων, πολλά από τα οποία είναι ήδη διαθέσιμα, χωρίς αντίστοιχο πάταγο. Όσο για την «αποκάλυψη» των δυνατοτήτων των μοντέλων που αναπτύσσονται στην Κίνα, αυτή δεν ήρθε μόνο με το DeepSeek, αφού το 2024 η απόσταση κινεζικών και αμερικανικών μοντέλων συνολικά μειώθηκε από 21% σε μόλις 3%. Γενικότερα, η απόσταση στην επίδοση μεταξύ των 10 καλύτερων μοντέλων παγκοσμίως μειώνεται συνεχώς, δείχνοντας άλλο ένα σημείο σύγκλισης αλλά και κορεσμού της τεχνολογίας.

Τέλος, δύο ακόμη ενδιαφέρουσες τάσεις. Η πρώτη αφορά μοντέλα όπου είναι «ανοικτά», δηλαδή γνωστά, τα λεγόμενα «βάρη», βασικά ποσοτικά δομικά στοιχεία του μοντέλου. Η γνώση των βαρών δίνει δυνατότητες «ελεύθερης» παραπέρα ανάπτυξης των μοντέλων. Οι επιδόσεις λοιπόν των μοντέλων ανοικτών βαρών έχουν φτάσει σχεδόν αυτές των κλειστών μοντέλων, αφού, ενώ το 2023 η διαφορά των δύο ισχυρότερων μοντέλων κάθε κατηγορίας ήταν 8%, το 2024 έπεσε κάτω από το 2%. Η δεύτερη αφορά το γεγονός ότι το μέγεθος και το είδος δεδομένων, που μπορούν να χρησιμοποιούνται από προγράμματα Τεχνητής Νοημοσύνης για την εκμάθησή τους, σταδιακά μειώνονται. Αυτό μακροπρόθεσμα θα οδηγήσει είτε σε κορεσμό της απόδοσης είτε στην ανάπτυξη νέων τεχνολογιών μάθησης υπό συνθήκες περιορισμένων δεδομένων.

Αν και οι περισσότερες από τις παραπάνω τάσεις δεν φαίνεται ότι μπορεί να αλλάξουν σημαντικά στο επόμενο διάστημα, οπότε και τα αδιέξοδα που φαίνεται να έρχονται παραμένουν απειλητικά, σε σχέση με το 2024 έχουμε μια ενδιαφέρουσα προσθήκη. Αν η Τεχνητή Νοημοσύνη ήταν ο μέγιστος «διαταρακτικός παίκτης» στον χώρο της τεχνολογίας, τώρα έχουμε επιπλέον έναν ιδιαίτερο «διαταρακτικό παίκτη» στο χώρο της παγκόσμιας πολιτικής και αυτός έχει το όνομα Τραμπ. Οι δε διαταραχές που αυτός επιφέρει σίγουρα θα αναπροσαρμόσουν αρκετά από όσα θεωρούσαμε έως τώρα δεδομένα και στην πορεία της Τεχνητής Νοημοσύνης. Προς ποιες κατευθύνσεις; Μάλλον άγνωστο.

1 Nestor Maslej et al., “The AI Index 2025 Annual Report,” AI Index Steering Committee, Institute for Human-Centered AI, Stanford University, Stanford, CA, April 2025, https://hai.stanford.edu/ai-index/2025-ai-index-report